DNN网络(三)python下用Tensorflow实现DNN网络以及Adagrad优化器
摘自:
https://www.kaggle.com/zoupet/neural-network-model-for-house-prices-tensorflow
一、实现功能简介:
本文摘自Kaggle的一篇房价预测题目,找了一篇比较全的,当作自己的Tensorflow入门。
数据和题目可以在文章开头的地址找的。
主要是给定了一个区域的房子价格以及房子特征,要预测一下房价。
二、挑选数据
1 # 为了使得代码在 python2 或者3下都运行,加的 __future__包。如果是python3,下面的包可以不加。 2 from __future__ import absolute_import 3 from __future__ import division 4 from __future__ import print_function 5 6 import itertools 7 8 import pandas as pd 9 import numpy as np 10 import matplotlib.pyplot as plt 11 from pylab import rcParams 12 import matplotlib 13 14 from sklearn.model_selection import train_test_split 15 16 # scaler, put the value range from min to max 17 from sklearn.preprocessing import MinMaxScaler 18 19 import tensorflow as tf 20 21 # 定义多少条记录会被当作log。 22 tf.logging.set_verbosity(tf.logging.INFO) 23 24 # InteractiveSession 与 Session的区别是不用每一次执行命令时,前面都加一个session。可以自己查一下 25 sess = tf.InteractiveSession() 26 27 # 文件目录 28 path_train = '/Users/adrian.wu/Desktop/learn/kaggle/price/data/all/train.csv' 29 30 ''' 31 首先只用数字特征进行预测,去除掉其它特征,比如类别等 32 ''' 33 train = pd.read_csv(path_train) 34 35 print('所有特征下,矩阵纬度:', train.shape) 36 37 # 挑选出只是数字类型的特征 38 train = train.select_dtypes(exclude=['object']) 39 print('数字类型特征矩阵的纬度:', train.shape) 40 41 # 去掉没用的特征Id 42 train.drop('Id', axis=1, inplace=True) 43 44 # 处理缺失值,简单的填充0 45 train.fillna(0, inplace=True) 46 47 print("\n特征:", list(train.columns)) 48 49 ''' 50 用Isolation Forest去掉异常值 51 ''' 52 from sklearn.ensemble import IsolationForest 53 54 clf = IsolationForest(max_samples=100, random_state=42) 55 clf.fit(train) 56 57 y_noano = clf.predict(train) 58 print(y_noano) 59 y_noano = pd.DataFrame(y_noano, columns=['Top']) 60 # y_noano[y_noano['Top'] == 1].index.values, 等于1的不是异常值,-1为异常值 61 62 train = train.iloc[y_noano[y_noano['Top'] == 1].index.values] 63 train.reset_index(drop=True, inplace=True) 64 65 print("异常值数量:", y_noano[y_noano['Top'] == -1].shape[0]) 66 print("正常数据数量:", train.shape[0])
三、特征预处理
1 ''' 2 特征预处理 3 ''' 4 import warnings 5 6 warnings.filterwarnings('ignore') 7 8 # 得到特征名字,并存为list类型 9 col_train = list(train.columns) 10 col_train_bis = list(train.columns) 11 12 # 去除要预测的值,SalePrice 13 col_train_bis.remove('SalePrice') 14 15 # 用numpy转为可操作的矩阵 16 mat_train = np.mat(train) 17 18 mat_y = np.array(train.SalePrice).reshape((1314, 1)) 19 20 # 归一化方法,把所有特征归一化到0~1之间 21 prepro_y = MinMaxScaler() 22 prepro_y.fit(mat_y) 23 24 prepro = MinMaxScaler() 25 prepro.fit(mat_train) 26 27 # 将处理过后的数据转为DataFrame 28 train = pd.DataFrame(prepro.transform(mat_train), columns=col_train)
四、train test数据集合处理
1 ''' 2 train test集合数据处理 3 ''' 4 5 # 把列都列出来 6 COLUMNS = col_train 7 FEATURES = col_train_bis 8 LABEL = "SalePrice" 9 10 # 暂且理解将DataFrame的数据转为对应的输入值,因此要指定一列列的值。 11 feature_cols = [tf.contrib.layers.real_valued_column(k) for k in FEATURES] 12 13 # 得到Feature 和 预测值 14 training_set = train[COLUMNS] 15 prediction_set = train.SalePrice 16 17 # 将Train test 分为2:1分 18 x_train, x_test, y_train, y_test = train_test_split(training_set[FEATURES], prediction_set, test_size=0.33, 19 random_state=42) 20 # 整合特征和预测值,对train集 21 y_train = pd.DataFrame(y_train, columns=[LABEL]) 22 training_set = pd.DataFrame(x_train, columns=FEATURES).merge(y_train, left_index=True, right_index=True) 23 24 # 整合特征和预测值,对test集 25 y_test = pd.DataFrame(y_test, columns=[LABEL]) 26 testing_set = pd.DataFrame(x_test, columns=FEATURES).merge(y_test, left_index=True, right_index=True) 27 28 # 打log的,可以忽略 29 tf.logging.set_verbosity(tf.logging.ERROR)
五、DNN网络
1 ''' 2 快速创建一个DNN网络, 3 optimizer = tf.train.GradientDescentOptimizer( learning_rate= 0.1 )) 可以自己选优化方式 4 激活函数为relu 5 都有哪些feature 6 隐藏层的神经元个数,递减,200,100,50,25,12个 7 ''' 8 9 regressor = tf.contrib.learn.DNNRegressor(feature_columns=feature_cols, 10 activation_fn=tf.nn.relu, 11 hidden_units=[200, 100, 50, 25, 12]) 12 13 training_set.reset_index(drop=True, inplace=True) 14 15 16 # 定义一个函数用来train网络 17 def input_fn(data_set, pred=False): 18 if pred == False: 19 feature_cols = {k: tf.constant(data_set[k].values) for k in FEATURES} 20 labels = tf.constant(data_set[LABEL].values) 21 22 return feature_cols, labels 23 24 if pred == True: 25 feature_cols = {k: tf.constant(data_set[k].values) for k in FEATURES} 26 27 return feature_cols 28 29 30 # trainDNN网络 31 regressor.fit(input_fn=lambda: input_fn(training_set), steps=2000) 32 33 # 估计测试集 34 ev = regressor.evaluate(input_fn=lambda: input_fn(testing_set), steps=1) 35 loss_score = ev["loss"] 36 print("test集的损失为: {0:f}".format(loss_score))
六、Adagrad优化器
看了下代码。这里的优化器用的是Adagrad。形式大致和SGD差不多,在其基础通过对梯度的迭代相加,对学习率进行了更新,从而控制学习率。
学习率随着梯度的和会逐渐变小。
1、迭代公式
eta也就是分子项是初始学习率。G为梯度迭代和,G旁边长的很像E的那一项是一个小常数,防止分母为0。
由上式可得到,G越大,学习率越小。
转载于:https://www.cnblogs.com/ylxn/p/10170948.html
DNN网络(三)python下用Tensorflow实现DNN网络以及Adagrad优化器相关推荐
- [Python人工智能] 四.TensorFlow创建回归神经网络及Optimizer优化器
从本篇文章开始,作者正式开始研究Python深度学习.神经网络及人工智能相关知识.前一篇文章讲解了TensorFlow基础和一元直线预测的案例,以及Session.变量.传入值和激励函数:这篇文章将详 ...
- tensorflow中Adagrad优化器运用
tensorflow中Adagrad优化器运用 Adagrad优化器引用API:tensorflow.keras.optimizers.Adagrad 代码实现: #Adagrad v_w += tf ...
- Python使用模拟退火(Simulated Annealing)算法构建优化器获取机器学习模型最优超参数组合(hyperparameter)实战+代码
Python使用模拟退火(Simulated Annealing)算法构建优化器获取机器学习模型最优超参数组合(hyperparameter)实战+代码 目录
- centos查看网络速率_Centos7下查看各进程的网络速率状况
Centos7下查看各进程的网络速率状况 2017年10月20日 13:52:47 bobpen 阅读数:4221更多java 我的分类: linuxmysql 版权声明:本文为博主原创文章,未经博主 ...
- TensorFlow学习(四):优化器Optimizer
梯度下降优化算法综述 该文翻译自An overview of gradient descent optimization algorithms. 总所周知,梯度下降算法是机器学习中使用非常 ...
- 深度学习框架TensorFlow系列之(五)优化器1
1 背景 梯度下降算法是目前最流行的优化算法之一,并且被用来优化神经网络的模型.业界知名的深度学习框架TensorFlow.Caffe等均包含了各种关于梯度下降优化器的实现.然而这些优化器经常被用作黑 ...
- 莫烦大大TensorFlow学习笔记(8)----优化器
一.TensorFlow中的优化器 tf.train.GradientDescentOptimizer:梯度下降算法 tf.train.AdadeltaOptimizer tf.train.Adagr ...
- 查看网络抖动_Linux下3种常用的网络测速工具
大家好,我是良许. 不管你用的是什么操作系统,网速都是你非常关心的一个性能指标,毕竟,谁都不想看个视频结果网速卡到你怀疑人生.本文介绍三个 Linux 命令行下的网络测速工具,让你随时随地知道你的网络 ...
- [Python从零到壹] 九.网络爬虫之Selenium基础技术万字详解(定位元素、常用方法、键盘鼠标操作)
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
最新文章
- Java并发编程开发笔记——2线程安全性
- [Tkinter 教程] 布局管理 (Pack Place Grid)
- 英伟达再发边缘AI计算设备:仅信用卡大小,性能比TX2强15倍
- 使用线程,防止当前程序被阻塞
- LeetCode 32. Longest Valid Parentheses
- Intel MKL 多线程设置
- Java日志性能那些事(转)
- MappingException:class com.zsn.crm.Model.user not found whie looking for property user id
- netty搭建简单的文件服务器
- java session失效之后跳转,session失效后如何实现页面不跳转到主页而是跳转到session失效时的页面...
- MySQL通过命令修改密码
- Sophos 和 ReversingLabs 公开含2000万个 PE 文件的数据集
- 如何使用 MagSafe 外接电池?
- 【优化调度】基于matlab改进粒子群算法求解微电网优化调度问题【含Matlab源码 052期】
- WindowsXP3环境下IIS5.1的部分小文件
- 我对秒杀在技术性上的一些看法
- 所有图形得面积和周长公式
- python多线程爬取图虫网图片
- 值得收藏 | 关于机器学习,这可能是目前最全面最无痛的入门路径和资源!
- 甜心奶酪用英文怎么说_您组织中没有人会碰到什么奶酪,更不用说动弹了?
热门文章
- 主类main方法里面可以有不带public的子类 但是不能有接口
- PowerShell 扩展工具第二波!
- 使用git管理自己的代码--简单使用流程
- 禁止迅雷:迅雷服务器地址大全+ISA计算机集(xml)
- axios post object object_Vue前端开发——数据交互axios
- HTML与CSS布局技巧总结,Html和CSS布局技巧总结(偶尔回顾回顾布局也是很有必要的)...
- python 数学期望_(Python)零起步数学+神经网络入门
- python函数递归 字符串反转
- SAP License:如何建立应付暂估明细查询
- 赛锐信息:SAP实施中最常见的安全挑战